1.1.4　訓練數據準備

1．SVM分類器的數據準備

標簽：由于SVM只能做二分類，因此在N類分類任務中，R-CNN使用了N個SVM分類器。對于第K類物體，與該類物體的真值框的IoU大于0.3的視為正樣本，其余視為負樣本。R-CNN論文中指出，0.3是通過柵格搜索（grid search）得到的最優閾值。

特征：在決定使用哪一層的特征作為SVM的輸入時，R-CNN通過對比AlexNet網絡中的最后一個池化層Pool5以及兩個全連接層FC6和FC7的特征在PASCAL VOC 2007數據集上的表現，發現Pool5層得到的錯誤率更低，得出結論——Pool5更能表達輸入數據的特征。因此，SVM使用的是從Pool5層提取的特征，原因是全連接會破壞圖像的位置信息。

2．嶺回歸位置精校器的數據準備

特征：位置精校和分類的思路類似，不同之處是它們一個是分類任務，一個是回歸任務。同SVM一樣，嶺回歸位置精校器使用的也是從Pool5層提取的特征。候選區域選取的是和真值框的IoU大于0.6的樣本。

標簽：嶺回歸位置精校器使用的是相對位置，這有助于降低模型學習的難度，提升對不同尺寸的目標的檢測能力。在這里，G = {Gx, Gy, Gw, Gh}表示真值框的坐標和長寬，P = {Px, Py, Pw, Ph}表示候選區域的大小和長寬。相對位置的回歸目標為T = {tx, ty, tw, th}，它的計算方式為：

（1.1）

3．任務訓練細節

CNN預訓練。出于當時硬件資源的限制，R-CNN并沒有選擇容量更大的VGG-16，而是選擇了速度更快的AlexNet。預訓練指的是在ILSVRC 2013上訓練分類網絡，微調訓練使用了小批次的SGD進行優化，批次大小是128，其中32個正樣本，96個負樣本。因為預訓練是分類任務，所以CNN使用的損失函數是交叉熵損失函數。

SVM分類器訓練。SVM的訓練使用了難負樣本挖掘（hard negative mining，HNM）。對于目標檢測我們會事先標記出真值框，然后在算法中生成一系列候選區域，這些候選區域有和標記的真值框重合的，也有沒重合的，那么IoU超過一定閾值（通常設置為0.5）的則認定為正樣本，閾值之下的則認定為負樣本。然后將這些樣本放入SVM分類器中訓練。然而，這也許會出現一個問題，那就是正樣本的數量遠遠小于負樣本，這樣訓練出來的分類器的效果總是有限的，會出現許多假陽性樣本。把其中得分較高的假陽性樣本當作所謂的難負樣本，既然挖掘出了這些難負樣本，就把它們放入SVM分類器中再訓練一次，從而加強分類器判別假陽性的能力。

嶺回歸位置精校器訓練。精校器的作用是找到一組映射，使候選區域的位置信息P通過某種映射，能夠轉化為G。這也可以理解為根據Pool5層的圖像特征，學習G和P的相對位置關系（1.1.4節中的t），然后根據相對位置關系，將候選區域對應成檢測框，所以目標函數可以為：

（1.2）

其中，表示候選區域Pi對應的Pool5層特征向量，是可訓練的網絡參數，λ是正則化系數。